論文の概要: From algorithms to action: improving patient care requires causality

• arxiv url: http://arxiv.org/abs/2209.07397v2
• Date: Mon, 1 Apr 2024 19:28:12 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 14:21:15.342002
• Title: From algorithms to action: improving patient care requires causality
• Title（参考訳）: アルゴリズムから行動へ:患者のケアを改善するには因果関係が必要だ
• Authors: Wouter A. C. van Amsterdam, Pim A. de Jong, Joost J. C. Verhoeff, Tim Leiner, Rajesh Ranganath,
• Abstract要約: ほとんどの結果予測モデルは、治療決定の因果的側面によらず、開発され、検証される。 アメリカがん合同委員会による予測モデル検証のガイドラインとリスクモデル支持のチェックリストは、開発と検証の間に正確だが意思決定に使用すると有害な予測モデルから保護するものではない。
• 参考スコア（独自算出の注目度）: 18.154976419582873
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In cancer research there is much interest in building and validating outcome predicting outcomes to support treatment decisions. However, because most outcome prediction models are developed and validated without regard to the causal aspects of treatment decision making, many published outcome prediction models may cause harm when used for decision making, despite being found accurate in validation studies. Guidelines on prediction model validation and the checklist for risk model endorsement by the American Joint Committee on Cancer do not protect against prediction models that are accurate during development and validation but harmful when used for decision making. We explain why this is the case and how to build and validate models that are useful for decision making.
• Abstract（参考訳）: がん研究においては、治療決定を支援する結果を予測する結果の構築と検証に多くの関心がある。 しかしながら、ほとんどの結果予測モデルは、治療意思決定の因果的側面によらず開発・検証されているため、多くの結果予測モデルは、検証研究において正確であるにもかかわらず、意思決定に使用される際に害をもたらす可能性がある。 アメリカがん合同委員会による予測モデル検証のガイドラインとリスクモデル支持のチェックリストは、開発と検証の間に正確だが意思決定に使用すると有害な予測モデルから保護するものではない。 これが理由と、意思決定に有用なモデルを構築し、検証する方法を説明します。

関連論文リスト

• Domain constraints improve risk prediction when outcome data is missing [1.6840408099522377]
  機械学習モデルにより, 検査対象者および検査対象者双方のリスクを正確に推定できることが示唆された。 本研究は,癌リスク予測のケーススタディに適用し,そのモデルが癌診断を予測していることを示す。
  論文  参考訳（メタデータ） (2023-12-06T19:49:06Z)
• When accurate prediction models yield harmful self-fulfilling prophecies [16.304160143287366]
  意思決定に予測モデルを使うことは有害な決定につながる可能性があることを示す。 我々の主な成果は、そのような予測モデルの集合を形式的に特徴づけることである。 これらの結果は、予測モデルの検証、デプロイ、評価のための標準プラクティスを改訂する必要があることを示している。
  論文  参考訳（メタデータ） (2023-12-02T19:39:50Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Counterfactual Prediction Under Outcome Measurement Error [29.071173441651734]
  本研究では、過去の意思決定方針から結果測定誤差、治療効果、選択バイアスによって導入されたモデル信頼性に対する交差脅威について検討する。 我々は,これらの課題の複合効果を補正するリスク最小化手法を開発した。
  論文  参考訳（メタデータ） (2023-02-22T03:34:19Z)
• Deep learning methods for drug response prediction in cancer: predominant and emerging trends [50.281853616905416]
  がんを研究・治療するための計算予測モデルをエクスプロイトすることは、薬物開発の改善と治療計画のパーソナライズドデザインにおいて大きな可能性を秘めている。 最近の研究の波は、ディープラーニング手法を用いて、薬物治療に対するがん反応を予測するという有望な結果を示している。 このレビューは、この分野の現状をよりよく理解し、主要な課題と将来性のあるソリューションパスを特定します。
  論文  参考訳（メタデータ） (2022-11-18T03:26:31Z)
• What Do You See in this Patient? Behavioral Testing of Clinical NLP Models [69.09570726777817]
  本稿では,入力の変化に関する臨床結果モデルの振る舞いを評価する拡張可能なテストフレームワークを提案する。 私たちは、同じデータを微調整しても、モデル行動は劇的に変化し、最高のパフォーマンスのモデルが常に最も医学的に可能なパターンを学習していないことを示しています。
  論文  参考訳（メタデータ） (2021-11-30T15:52:04Z)
• Learning to Predict with Supporting Evidence: Applications to Clinical Risk Prediction [9.199022926064009]
  機械学習モデルがヘルスケアに与える影響は、医療専門家がこれらのモデルによって予測される信頼度に依存する。 予測が信頼されるべき理由に関するドメイン関連証拠を,臨床専門性のある人に提供するための方法を提示する。
  論文  参考訳（メタデータ） (2021-03-04T00:26:32Z)
• A scoping review of causal methods enabling predictions under hypothetical interventions [4.801185839732629]
  意思決定を支援するために予測モデルを使用する場合、仮説的な介入の下で結果を予測する必要があることが多い。 我々は,2019年12月までに出版された文献を体系的にレビューし,仮説的介入による予測モデルの使用を可能にするために因果的考察を用いた健康領域の論文を考察した。 臨床予測モデルへの仮説的介入の下での予測を可能にするための2つの幅広い方法論的アプローチが存在する。
  論文  参考訳（メタデータ） (2020-11-19T13:36:26Z)
• When Does Uncertainty Matter?: Understanding the Impact of Predictive Uncertainty in ML Assisted Decision Making [68.19284302320146]
  我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。 その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。 このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
  論文  参考訳（メタデータ） (2020-11-12T02:23:53Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Counterfactual Predictions under Runtime Confounding [74.90756694584839]
  本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。 本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
  論文  参考訳（メタデータ） (2020-06-30T15:49:05Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。